感謝 你 為了 觀看 這 推介會 為了 這 歐洲 發現 首腦 會議 在線的。 我的 姓名 是 達米安 佩雷特。 I 我是 研發 科學家 在 這 在 法國。 I 是 和 弗朗索瓦 貝爾熱雷特 這 統計學家 和 這 創辦人 的 一本 創新 在 法國。 和 弗朗索瓦， 我們 是 非常 快樂的 到 是 這裡 今天 和 我們 會 喜歡 到 感謝 這 轉向 委員會 世界衛生組織 給了 我們 這 機會 到 演講 關於 這 工作 哪個 是 關於 創新的 方法 使用 跳轉。
我們 將要 給 你 二 案件 研究。 弗朗索瓦 將要 展示 這 第一的 案件 和 I 將要 展示 這 第二 案件。 只是 開始 和 a 很少 字 關於 這。 這 是 a 法語 政府 組織 為了 研究， 發展， 和 創新 在 四 區域； 低的 碳 能量， 科技 研究， 基本的 研究， 和 防禦 和 安全。 這 這 計數 關於 2萬 人們 和 我們 是 位於 在 九 不同的 站點 在 法國。 我們 有 強的 關係 和 這 學術的 世界 和 許多 合作 和 大學 和 合作夥伴， 兩個都 在 法國 和 全部 大約 這 世界。
幾個 字 關於 一本 創新。 的 課程， 我們 是 a 更小 公司 比較的 到 這 這。 它 曾是 創建 15 年 前。 我們 是 基於 在 這 南 的 法國， 土魯斯. 我們 是 a 團隊 的 統計學家， 僅有的 統計學家 和 技能 在 工業的 統計數據， 例子， 統計製程管制（SPC）， 測量 系統 分析， 和 的 課程， 機器 學習 和 所以 在。
我是 a 跳轉 使用者 自從 1995年， 所以 a 長的 時間 前。 I 開始 和 跳轉 3. 的 課程， 一本 是 跳轉 夥伴 因為 我們 用過的 a 很多 的 跳轉。 為了 例子， 為了 屈服 最佳化, 我們 有 a 工具 稱為 雪人， 自動的 屈服 最佳化 在 複雜的 製造業 系統。 我們 也 發達 解決方案 基於 在 a 顧客 要求， 什麼 我們 稱呼 軟體 在 要求， 為了 例子， a 滿的 解決方案 為了 異常值 偵測 或者 統計 過程 控制。
使用 跳轉 和 普通手語， 我們 有 一些 國語 專家 這裡， 包括 卡羅爾 蘇阿阿爾， 哪個 是 共同 作者 的 這 演講 今天。 我們 也 有 a 古典 諮詢 和 訓練 專業知識 基於 在 跳轉 在 工業的 統計數據。 這 內容 的 這 推介會 今天， 我們 將要 展示 二 真實的 案件 研究 和 達米安。 這 第一的 一 是 基於 在 模擬 和 a 電腦 設計 的 實驗， 和 這 第二 一 將要 是 呈現 經過 達米安 在 a 機器 學習 工具 為了 預言。
I 將要 展示 這 案件 學習 數位 1 基於 在 混合物。 它 是 好的。 你 能 去 在 這 下一個 滑動。 這 情境 是 a 風險 評估 和 a 可能性 計算。 到 解釋 它 a 小的 位元, 混合物 設計 的 實驗 曾是 創建 經過 這 這 到 評價 這 表現 的 a 材料 為了 核 浪費。 這 調理 是 完畢 和 鹽 在 a 矩陣。 這 表現 是 決定 經過 a 臨界點 在 這 活力。 這 活力 有 到 是 更高 比 這 臨界點。
它 是 不是 所以 簡單的 到 估計 這 可能性 到 是 以下 這 臨界點。 我們 將要 使用 全部 這 工具 和 全部 這 數據 那 我們 有 到 做 這 任務。 的 課程， 這 可能性 有 到 是 作為 小的 作為 可能的。 達米安， 這 這 專家， 將要 評估 如果 這 可能性 是 好的。 現在， 什麼 方法論 我們 使用 到 估計 這 最差 案件 可能性？
第一的 的 全部， 基於 在 這 數據 從 這 混合物 設計 的 實驗， 我們 有 估計的 一些 模型。 基本上， 一些 古典 線性 模型， 也 分類 和 決定 樹木， 和 也 神經 網路 是 這 主要的 模型 用過的。 為了 每個 模型， 我們 有 完畢 三 分析。
第一的， 這 蒙特 卡洛 模擬 在 這 因素， 所以 古典 隨機的 模擬 和 蒙特 卡洛。 也, 什麼 我們 稱呼 空間 填充 設計， a 電腦 設計 和 跳轉， 在哪裡 我們 嘗試 到 探索 這 設計 空間 但 經過 電腦 模擬， 添加 a 噪音 在 這 回覆. 這 是 完畢 和 跳轉 贊成。 最後的 事物 我們 做過 是 a 混合 的 蒙特 卡洛 和 空間 填充 設計。 我們 將要 細節 這， 但 這 是 非常 有用 作為 我們 想 到 估計 a 最差 案件 可能性。 我們 能 去 到 下一個 滑動。
案件 學習 數位 1、 古典 跳轉 模擬 為了 這 混合物 美國能源部。 第一的 的 全部， 我們 有 到 選擇 這 最好的 模型。 前 正在做 模擬， 我們 需要 到 尋找 這 最好的 模型。 那裡 是 a 非常 好的 特徵 在 跳轉 親， 哪個 是 稱為 模型 比較。 非常 迅速地， 你 能 比較 這 模型 基於 在 標準， 遙感 我為什麼要祈禱？ 這 人工智慧服務公司。 我們 有 完畢 這 和 I 將要 做 這 示範 正確的 現在。 I 分享 我的 螢幕 現在。 I 有 到 分享 我的 螢幕. 我們 有 到 使用 跳轉。 這裡， I 打開 這 數據 放。 這 是 a 數據 放 從 混合物 設計 的 實驗。 那裡 是 八 因素， X 1- X8， 和 這 回覆 是 這 活力。
到 展示 你 一個 例子 的 這 模型 那 我們 做過， 我們 執行 這裡， 為了 例子， a 預測 造型 神經 網路。 這 回覆 是 這 活力。 這 X的 因素 是 這裡。 我們 點選 這裡。 為了 資訊, 我們 決定 這裡 不是 到 劃分 這 滿的 樣本 在 學習 樣本， 驗證 樣本， 測試 樣本， 因為 數據 是 從 設計 的 實驗， 所以 我們 有 不是 a 很多 的 數據。 三十一 實驗 最大限度 這裡。
我們 使用 a K折疊 驗證 到 節省 樣品， I 會 說。 A 非常 簡單的 神經 網 這裡， 一 層， 和 我們 點選 在 去。 那裡 是 相當 a 好的 模型 和 a 正確的， 讓我們 說， 遙感 為什麼 為了 那。 如何 是 在職的 這 比較 的 這 模型 在 跳轉？ 你 需要 到 節省 這 預言 公式。 你 點選 在 這 點 和 I 節省 這 公式。 正在做 這， 你 有 公式 這裡 的 這 神經 網 和 隱 層。 你 看 這 公式， 雙曲線 切線 這裡 的 這 線性 預測器。 第二個 n 歐元 這裡 的 這 隱 層， 其他 公式， 和 所以 在。 在 這 結尾， 為了 這 神經 網， 這 最終的 公式 為了 這 預言 是 a 線性 組合 的 這 隱 神經元。 I 保持 這 公式 為了 這 片刻， 和 我是 去 到 做 這 相同的 和 a 線性 模型。
這 線性 模型 曾是 已儲存 這裡 到 節省 時間。 我們 決定 到 有 a 線性 模型。 為了 混合物 設計， 我們 有 一些 叉 影響 這裡 和 a 線性 模型。 的 課程， 我們 需要 到 乾淨的 這 模型。 我們 需要 到 消除 什麼 是 不是 重要的 這裡 和 所以 在。 什麼時候 這 工作 是 完畢， 我們 也 有 到 節省 這 公式。 I 已儲存 什麼 I 稱呼 這 預言 公式。 這裡， 一次 再次， 在 這 跳轉 桌子 某處， 你 將要 有 這 預言 公式 為了 這 活力， 普通的 至少 正方形。 你 有 a 古典 線性 公式 為了 這 線性 模型。
到 總結， 這裡 I 有 二 模型， 神經 網路 和 普通的 至少 正方形， 和 I 有 a 公式 為了 這 二 模型。 然後 和 這些 公式， I 去 到 分析， 預測 造型， 和 模型 比較。 這 是 這 好的 跳轉 平台 為了 機器 學習。 這裡 什麼 你 有 到 進入 是 只是 這 公式 的 這 預測器。 這裡， 為了 這 例子， I 只是 進入 二 公式， 普通的 至少 方塊 和 神經網絡， 和 那是 全部。 你 只是 點選 好的。 這裡 你 有 a 比較 模型 和 一些 標準 和 你 選擇 這 最好的 模型 h 也。 第一的 的 全部， I 添加 噪音 在 這 數據， 所以 遙感 為什麼 是 不是 所以 好的。
在 添加， 我們 能 比較 這 兩個都 模型。 在 那 案件， 為了 這 最差 案件 分析， 我們 決定 決定 到 執行 這 模擬 兩個都 在 線性 模型 和 也 在 神經 網。 現在， 我們 是 去 到 做 那 工作。 L 和 我 展示 你 什麼 我們 做過。 或許 我是 去 到 分享 這 滑動， 達米安， 因為 I 需要 到 展示 某物 這裡。 它 將要 是 更輕鬆 和 我的 個人電腦。 因此 居住 示範 是 完畢。 這裡 我是 去 到 使用 a 蒙特 卡洛 模擬。 非常 簡單的 和 a 跳轉 預言 分析器。
第一的 的 全部， 這 是 我的 第一的 演示。 後 那， I 將要 做 這 混合物 設計 的 實驗 空間 填充 設計。 I 有 到 說 那 兩個都 為了 蒙特 卡洛 和 也 為了 空間 填充 設計， 我們 有 一些 混合物 限制。 它 方法 那 這 和 的 這 成分 有 到 是 平等的 到 一。 它是 不是 a 真實的 空間 填充 設計。 它是 不是 a 真實的 蒙特 卡洛 因為 你 有 這 約束。 J 議員 有 a 聰明的 演算法, 迭代 演算法 到 拿 進入 帳戶 這 限制。 我們 是 去 到 模擬 蒙特 卡洛 和 這 第一的 因素 和 然後 和 這 第二 因素 服用 進入 帳戶 這 第一的 一 和 所以 在。
在 這 結尾， I 將要 展示 這 滿的 模擬 和 兩個都 蒙特 卡洛 和 空間 填充 設計。 這 是 新的 因為 什麼 我們 有 完畢 是 為了 每個 跑步 的 這 空間 填充 設計， 我們 有 完畢 1,000 蒙特 卡洛 模擬。 它是 真的 a 最差 案件 這裡， 但 它 曾是 這 客觀的 為了 這 這 到 有 這 最差 案件。 謝謝 到 這， 我們 將要 得到 a 真的 好的 估計 的 這 最差 案件 可能性。
現在， 讓 我 跳 到 這 演示。 第一的 的 全部， 蒙特 卡洛。 這裡 I 有 這 結果 為了 這 蒙特 卡洛。 不， 對不起， 它是 不是 這 正確的 一。 這裡 它 是。 讓我們 使用 這 神經 網路。 這裡， 為了 這 神經網絡， 你 能 問 為了 這 分析器。 如果 你 問 為了 這 分析器， 這裡 你 能 問 這 模擬器。 I 將要 隨機 移動 這 因素。 但 什麼 是 重要的 這裡， 我是 詢問 為了 制服 分配 因為 它是 更多的 古典 為了 混合物 設計。 這裡， 我是 去 到 模擬 隨機的 數據 為了 這 因素 X1 , 但 之間 這 價值 和 這 價值 因為 那裡 是 a 約束 這裡。 I 繼續 和 這 第二 因素 和 制服 模擬 之間 這 價值 和 這 價值， 和 所以 在。
到 節省 時間， I 將要 自動地 跑步 這 模擬 這裡。 這裡 它 是。 對不起， I 不 有 這 正確的 數據 放。 對不起 關於 那。 W 這裡 它 是。 模型 比較 和 模擬。 這裡 它 是。 好的， 這裡 它 是， 蒙特 卡洛 模擬。 到 節省 時間， 患病的 展示 你 直接地 這 結果 和 a 隨機的 模擬 和 a 混合物 約束。
W e 有 完畢 這 蒙特 卡洛 模擬 和 我們 有 這 結果 在 這 活力。 什麼 是 好的 也 是 那 你 能 放 這 結果 在 a 桌子。 這 是 這 結果， 10,000 蒙特 卡洛 模擬。 為了 每個 模擬 和 和 這 模型， 你 有 這 活力。 現在， 到 計算 這 可能性 到 是 降低 比 這 規格 限制， 我們 只是 有 到 做 a 分配 的 這 模擬 活力。 這 是 a 分配， 不是 確切地 高斯， 更多的 關閉 到 a 拉普拉斯 分配。 但 反正， 它 沒有 事情。 我們 將要 做 這 過程 能力 和 這 規格 給定 經過 這 這 是 減 100. I 只是 點選 在 這 和 我們 有 什麼 我們 稱呼 這 能力 分析， 全面的 能力。 峰面積 是 相當 好的， 更高 比 1.3 . 這裡， 這 預期的 百分比 的 出去 的 規格 是 非常 低的 因為 這 數位 是 清楚地 非常 低的。
我們 能 有 a 看 在 a 科學 符號。 我們 是 在 a 非常 小的 可能性 和 清楚地 它 曾是 可接受 為了 這 [聽不清楚 00:15:13] . 在 這 時間， 基於 在 神經 網路 模型， 基於 在 蒙特 卡洛 模擬， 我們 有 估計的 這 第一的 可能性 到 是 出去 的 規格 和 這 可能性 是 這裡。 下一個 步。 什麼 我們 有 完畢 這裡 是 那 我們 是 去 後退 這裡。 對不起， I 不 關閉 這。 I 不 關閉 這。 我是 去 這裡 到 做 其他 模擬 和 什麼 我們 稱呼 a 模擬 實驗。 模擬 實驗 是 也 稱為 有時 a 空間 填充 實驗。 你 嘗試 到 探索 這 設計 空間。
這裡， 我們 有 到 提醒 那 那裡 是 a 混合物 約束， 所以 我們 將要 不是 探索， 的 課程， a 滿的 設計 空間， 但 我們 將要 探索 a 部分 的 這 設計 空間 這裡。 這裡 是 a 結果， 128 電腦 運行 和 這 模擬 數據。 我們 能 有 a 看 在 這 結果 的 這 模擬。 如果 我們 做 a 散點圖 矩陣 在 這 模擬 實驗 在 這 因素， 這裡 是 這 勘探 的 這 因素 和 a 混合物 約束。 和 這， 一次 再次， 我們 有 模擬 活力 但 這裡， 它是 不是 蒙特 卡洛 模擬， 它是 a 電腦 模擬 實驗。
相同的 工作， 我們 能 放 這 活力 這裡。 W 這裡 是 這 模擬 活力？ 這裡 它 是。 一次 再次， 大致 通常情況下 分佈式。 這裡 我是 去 到 計算， 一次 再次， 這 過程 能力 和 a 規格 減 100. 這裡 它 是。 這裡 I 應該 有 這 過程 能力 哪個 是 好的。 一次 再次， 你 有 a 可能性 到 是 出去 的 這 規格， 哪個 是 關閉 到 7 每 1,000。 它 是 也 可接受 作為 a 結果。 但 你 能 看 那 在 那 案件， 這 可能性 是 更高 比 這 以前的 一 因為 這 計算 曾是 不同的 和 因為 它 曾是 a 模擬 實驗 探索 這 空間 和 它是 不同的 從 蒙特 卡洛 模擬。
最後的 事物 那 我們 做過， 和 我是 去 到 打開 這 d 分分鐘 文件。 這裡 它 是， 模擬 蒙特 卡洛。 這裡 它 是。 不是 這 正確的 一， 對不起。 I 有 a 很多 的 事物 打開。 這裡 它 是。 什麼 是 這 文件？ 什麼 我們 做過 這裡。 我們 做過 兩個都 a 空間 填充 設計 和 為了 每個 跑步 的 這 空間 填充 設計， 我們 有 完畢 1,000 蒙特 卡洛 模擬。 這 全部的 數位 的 點 這裡 是 128,000 線。 兩個都 蒙特 卡洛 和 也 a 電腦 設計 的 實驗。
這裡 我們 有 真的 a 好的 數據 放 和 全部 這 潛在的 變化。 一些 是 強迫 經過 這 設計 的 實驗， 其他的 是 清楚地 隨機的 和 這 蒙特 卡洛。 這裡， 一次 再次， 我們 是 去 到 估計 這 可能性。 你 有 這 好的 分配 的 這 活力。 然後 我們 將要 一次 再次， 計算 這 可能性 到 是 出去 的 規格 進入 這 規格 這裡， 這裡 它 是。 這裡 我們 有 a 可能性 到 是 出去 的 規格， 哪個 是 關閉 到 1 每 1,000。 一次 再次， 它 曾是 相當 a 好的 結果 這裡。 這 結果 是 相當 創新的。 這裡， 只是 為了 資訊, 我們 有 到 創造 a 小的 跳轉 腳本 這裡 到 做 這， 到 混合 這 電腦 設計 和 這 蒙特 卡洛 模擬。 那裡 是 a 小的 國語 程式碼 為了 那。 那是 全部 為了 我的 部分。 達米安， 或許 你 能 去。 I 停止 這 分享。
好的。這個 是 現在 這 案件 學習 數位 2. 為了 這 學習， 我們 有 發達 a 風俗 工具 為了 預測 應用。 這 客觀的 這裡 曾是 到 創造 a 工具 包括 統計 模型 在 跳轉 專業版 在 命令 到 預測 a 具體的 財產 哪個 是 這 玻璃 黏性 城市 作為 a 功能 的 作品 和 溫度。 到 做 那， 實驗 數據 是 未來 從 兩個都 商業的 資料庫 和 從 我們的 自己的 資料庫 在 這 . A s 我們 將要 看， 這 獨創性 的 這 方法 來 從 這 方法論 為了 數據 潛水艇 採樣。
我們 通緝 這 演算法 到 是 編碼 在 國語 和 實施的 在 跳轉 贊成。 這 回覆 的 這 模型 是 這 玻璃 黏度， 的 課程， 和 這 因素 是 這 重量 百分比 的 這 玻璃 成分。 這裡 是 一些 背景 資訊. 你 有 到 知道 那 玻璃 材料 是 a 非 結晶的 堅硬的 和 它 是 獲得 經過 a 迅速的 淬火 的 a 玻璃 熔化。 從 a 材料 觀點 的 看法， 玻璃 是 a 混合物 的 不同的 氧化物。
這 數位 的 氧化物 是 多變的 從 二 或者 三 在 a 非常 簡單的 玻璃 到 關於 三十 和 甚至 更多的 在 這 最多 複雜的 作品。 T 這裡 是 a 長的 傳統 在 這 計算 的 玻璃 特性， 和 我們 思考 那 這 第一的 模型 是 創建 在 德國 在 這 結尾 的 這 第十九 世紀。 自從 然後， 這 數量 的 已發布 文學 在 這 場地 的 玻璃 財產 預言 有 增加 a 很多。 所以 那 今天， 我們 有 a 巨大的 數量 的 玻璃 數據 可用的 在 商業的 資料庫.
一些 挑戰 保持 為了 這 預言 的 這 玻璃 v 黏稠度 因為 這 玻璃 v 黏稠度 是 a 財產 那 是 非常 難的 到 預測。 第一的， v 黏稠度 有 a 巨大的 範圍 的 變化 向上 到 肯定 訂單 的 震級。 A 另外， v 黏稠度 是 非常 受扶養人 在 身體的 和 化學機制 那 能 發生 在 這 玻璃 熔化， 取決於 在 這 玻璃 作品， 喜歡 快速地 分離 或者 結晶， 為了 例子。
這裡 是 只是 a 短的 例子 那 節目 這 困難。 我們 有 已選擇 三 作品 的 什麼 我們 稱呼 國家核子試驗局 玻璃， 哪個 是 非常 簡單的 玻璃 和 僅有的 3種氧化物。 W e 應用 這 最好的 已知 模型 從 這 文學 到 計算 這 黏性 城市。 T 母雞 我們 比較 這 預測 價值觀 和 這 實驗 價值 我們 有 測量 和 我們的 自己的 裝置. 你 能 看 那 甚至 為了 a 非常 簡單的 玻璃， 它 是 不是 簡單的 到 獲得 一 可靠的 價值 為了 這 預測 v 黏度。 這裡 是 a 好的 圖片 我們 喜歡 到 使用 到 給 a 看法 的 這 資料庫 在哪裡 每個 點 是 一 玻璃 在 a 多 維度 看法 的 這 領域 的 作品。
數據 可能 來 從 不同的 孤立 研究， 或者 我們 能 有 數據 未來 從 研究 使用 實驗 設計， 或者 數據 獲得 從 參數 研究 和 變化 的 一 成分 在 a 時間。 W e 花費 a 很多 的 時間 在 這 過去的 到 申請 不同的 方法 的 機器 學習。 A 古典 方法 曾是 用過的 為了 分割區 這 數據 進入 a 訓練 放 和 a 驗證 放。 但 在 這 結尾， 不 統計 模型 和 可接受 預測 能力 曾是 成立 到 預測 這 v 黏度。 T 帽子 為什麼 我們 有 決定 到 使用 a 不同的 方法。
反而 的 使用 全部 這 數據， 我們 思考 它 是 更好的 到 創造 a 模型 經過 使用 數據 關閉 到 這 作品 在哪裡 我們 想 到 預測 這 v 黏度。 所以 為了 例子， 如果 我們 想 到 預測 這裡， 一 模型 將要 是 創建 從 這 數據 我們 有 在 這 區域， 和 a 不同的 模型 將要 是 創建 如果 我們 想 到 預測 這 財產 這裡， 為了 例子。 T 帽子 為什麼 我們 說 那 這 科技 是 動態的 因為 這 模型 取決於 在 這 作品 和 它 是 有關的 和 已安裝 在哪裡 我們 想 到 預測。 W e 說 那 這 模型 是 自動的 因為 我們 不 有 到 做 這 手動。
每一個 步 是 完畢 經過 a 演算法 實施的 在 這 工具。 O 是 的 這 最多 重要的 觀點 是 當然 這 決心 的 這 最佳的 數據 放 到 創造 這 模型。 F 或者 那， 我們 有 實施的 二 方法 的 潛水艇 採樣。 在 這 第一的 方法， a 理論 或者 虛擬的 設計 的 實驗 是 產生 大約 這 作品 的 利益。 然後 每個 跑步 的 這 設計 是 被取代 經過 這 最多 相似的 實驗 數據 展示 在 這 資料庫, 領導 到 這 最終的 訓練 數據 放。
在 這 第二 方法， 我們 有 實施的 在 這 工具。 是 是 基於 在 不同的 尺寸 的 數據 套 創建 大約 這 作品 的 興趣。 A 小的 數據 放 是 產生 經過 這 工具 和 模型 是 創建 在 這 小的 子集 到 預測 這 黏性 城市。 T 母雞 大 和 大 數據 套 是 產生 自動地 和 這 最佳的 尺寸 是 評估 經過 一些 統計 標準 聯繫 到 每個 子集。
最後， 這 建造 的 這 模型 是 基於 在 三 不同的 演算法 實施的 在 這 工具。 第一的 是 a 多項式 模型 獲得 經過 a 多- 線性 回歸。 第二 是 a 性別 模型 和 神經 網 模型。 A t 這 結尾， 我們 有 六 不同的 計算 價值觀 哪個 使 這 預言 非常 強壯的。
讓我們 去 到 跳轉 到 看 如何 它 作品。 L 和 我 第一的 展示 你 這 代碼。 T 他 腳本， 作為 你 能 看， 是 相當 長的， 關於 700 行， 哪個 是一個相當 複雜的 國語 代碼。 這 第一的 事物 你 有 到 做 是 到 進入 這 作品 的 這 玻璃 你 想 到 預測 這 黏度。 T o 做 那， 你 能 使用 一個 介面 我們 有 創建。 你 只是 有 到 選擇 這 氧化物 進入 這 作品。 F 或者 每個 氧化物， 你 只是 有 到 進入 這 重量 百分比。 或者 如果 你 想， 你 能 直接地 進入 這 作品 在 這 腳本， 哪個 是 a 小的 位元 更多的 快的， I 會 說。
然後 你 發射 這 腳本。 I 慣於 做 那 現在 因為 它 需要 關於 一 或者 二 分鐘。 它是 不是 非常 長的。 但 為了 這 演示， I 有 已經 跑步 這 腳本。 讓 我 展示 你 這 結果。 在 這 結尾 的 這 計算， 你 有 這 窗戶 在哪裡 你 能 得到 a 統計 報告。 非常 有趣的。 第一的， 這裡 你 有 這 作品 你 有 輸入， 它是 只是 a 提醒。 W e 有 這 圖形 顯示 這 預測 價值。 O n 這 Y 軸， 我們 有 這 預測 價值觀 的 這 黏度 計算 經過 這 三 演算法 和 為了 這 二 方法。
在 這 X 軸， 我們 有 這 數位 的 放大 為了 這 第二 方法 I 有 描述。 I n 紅色的， 哪個 是 這 最多 重要的 價值， I 會 說， 是 這 平均的 的 全部 這 不同的 預測。 I t 是 這 最好的 預言， I 會 說， 的 這 玻璃 黏度 . I f 我們 需要 到 有 更多的 統計 細節， 我們 有 a 很多 的 資訊 在 這 報告 到 學習 這 品質 的 每個 模型。 為了 例子， 我們 能 查看 這 價值觀 的 這 按 統計數據 為了 這 多- 線性 比克 F 模型。
為了 例子， 這裡 我們 能 看 那 這 按 價值觀 告訴 我們 那 這 預言 使用 這 方法 數位 1 是 a 小的 位元 更好的 比 為了 這 第二 方法。 W e 也 看 那 這 模型 降解 和 這 放大 的 這 訓練 放。 我們 能 也 查看 這 遙感 為什麼 價值觀 為了 這 二 不同的 方法 和 為了 這 不同的 演算法, 和 我們 能 比較 他們。 W e 能 有 甚至 更多的 細節 在 這 設計 的 實驗 那 是 創建 和 全部 這 公式 的 預言。 T 他的 是 a 很多 的 資訊, 但 那裡 是 這 最多 重要的 部分 這裡， 哪個 是 這 預測 價值 的 這 黏度。
讓我們 去 後退 到 這 微軟幻燈片軟體。 T 他的 是 這 結果 獲得 這 簡單的 國家核子試驗局 玻璃， 哪個 是， 作為 I 說 早些時候， a 簡單的 玻璃 和 僅有的 3 氧化物。 但 我們 有 計算 這 黏性 城市 三 不同的 作品 的 國家核子試驗局 玻璃。 W e 比較 這 結果 獲得 從 我們的 工具 這裡 和 這 結果 從 這 模型 可用的 在 這 文學。 在 學期 的 這 相對的 錯誤 的 預言， 它 有 到 是 作為 低的 作為 可能的。 W e 能 看 那 這 最好的 結果 的 預言 是 獲得 和 我們的 工具， 哪個 是 真的 偉大的。
H 還， 我們 有 這 結果 獲得 在 更多的 複雜的 眼鏡。 T 他 工具 預測 能力 曾是 評估 經過 提取 230 列 從 這 全球的 資料庫. 在 這 桌子， 我們 有 這 相對的 錯誤 的 這 黏性 城市 預言 為了 不同的 類型 的 玻璃 和 為了 這 全球的 子集 的 數據。 三 分位數 是 鑑於， 這 中位數， 意義 那 50 % 的 這 預測 價值觀 有 a 相對的 錯誤 那 是 以下 這 價值 表明的 這裡。 W e 也 給 這 75 % 和 這 90 % 分位數。 W 母雞 我們 演講 關於 玻璃 v 黏稠度， 傳統上， 我們 考慮 那 這 預測 錯誤， 大約 三十 % 是 非常 好的。
W e 看 那 為了 這 多數 的 這 數據， 這 模型 能力 是 美好的 和 我們 是 非常 快樂的 和 這 結果 我們 獲得。 這裡 是 一些 非常 重要的 鑰匙 參數。 它 是 非常 重要的 到 拿 進入 帳戶 作為 許多 輸入 從 這 玻璃 專家 作為 可能的。 為了 例子， 我們 有 到 創造 具體的 演算法 到 處理 這 自然 和 這 牆 的 氧化物 和 黏稠物 這。 其他 觀點 的 主要的 重要性 是 有關的 到 這 起源 和 到 這 可靠性 的 這 數據。
為了 這， a 重要的 數量 的 時間 在 這 專案 有 到過 花費 到 這 憲法 的 a 可靠的 資料庫. W e 有 到 實施 方法 和 我們 有 到 學習 不同的 方法 的 計算 這 距離 之間 這 玻璃 作品。 I 的 時間 到 結論 現在。 我們 有 呈現 二 不同的 案件 研究。 在 這 第一的 案件 研究， 我們 有 創建 一些 模型 和 我們 有 比較的 他們 為了 這 風險 評估。 我們 有 見過 那 它 曾是 簡單的 和 跳轉 到 執行 蒙特 卡洛 模擬， 甚至 為了 混合物 設計 和 限制。 我們 有 見過 那 它 曾是 簡單的 也 到 執行 空間 填充 設計， 和 再次， 甚至 為了 混合物 設計。
經過 結合 蒙特 卡洛 和 空間 填充 設計， 最差 案件 可能性 有 到過 估計的。 I n 這 第二 學習， 我們 有 呈現 這 工具 我們 有 創建 和 一個 原來的 方法 的 子取樣 這 數據。 為了 每個 作品 的 興趣， a 具體的 模型 的 黏度 曾是 建造 大約 這 作品， 和 我們 有 見過 那 這 預言 準確性 在 這 黏性 城市 曾是 非常 有前途 和 很多 更好的 比 模型 可用的 在 這 文學。 感謝 你 為了 你的 注意力。
